anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกการดูแลสุขภาพ

HIPAA OCR: การละเมิด 725 ครั้ง บันทึก 275 ล้านรายการ

HHS OCR รายงานการละเมิด HIPAA 725 ครั้งในปี 2024 กระทบบันทึกผู้ป่วย 275 ล้านรายการ สูงที่สุดเป็นประวัติการณ์ ค่าเฉลี่ยการละเมิดในภาคสุขภาพอยู่ที่ 10.22 ล้านดอลลาร์

June 5, 202610 อ่านประมาณ
HIPAA enforcementPHI de-identificationOCR HHShealthcare breachHIPAA Security Rule

HIPAA OCR: การละเมิด 725 ครั้ง บันทึก 275 ล้านรายการ

อัปเดตสำหรับปี 2026

สำนักงานสิทธิพลเมือง HHS (OCR) นับการละเมิดข้อมูลสุขภาพ 725 ครั้งในปี 2024 การละเมิดเหล่านี้กระทบบันทึกผู้ป่วย 275 ล้านรายการ ตัวเลขนี้สูงที่สุดที่เคยบันทึกในปีเดียว

ค่าเฉลี่ยต้นทุนต่อการละเมิดในภาคสุขภาพแตะ 10.22 ล้านดอลลาร์ในปี 2025 ตาม IBM's Cost of a Data Breach Report ค่าใช้จ่ายครอบคลุมค่าปรับทางแพ่ง ค่าธรรมเนียมทางกฎหมาย การแจ้งเตือนผู้ป่วย การตรวจสอบเครดิต และความเชื่อถือที่สูญเสียไป

ปี 2025 และ 2026 เป็นปีสำคัญสำหรับหน่วยงานที่ครอบคลุมและคู่ค้าทางธุรกิจ การอัปเดตกฎความปลอดภัย HIPAA ที่เสนอในเดือนมีนาคม 2025 จะเพิ่มชุดกฎทางเทคนิคที่ใหญ่ที่สุดนับตั้งแต่ปี 2003

สาเหตุของการละเมิด 725 ครั้งในปี 2024

พอร์ทัล OCR จัดกลุ่มความล้มเหลวในปี 2024 ออกเป็นสี่ประเภท

การแฮ็กและเหตุการณ์ IT เป็นสาเหตุของการละเมิด 74% แรนซัมแวร์ การโจมตีเซิร์ฟเวอร์ และการฉ้อโกงทางอีเมลเป็นประเภทหลัก ผู้โจมตีตอนนี้มุ่งเป้าที่เครือข่ายทั้งหมด การโจมตีครั้งเดียวสามารถดึงบันทึกจากระบบ EHR ทั้งหมดได้ในคราวเดียว

การเข้าถึงและเปิดเผยโดยไม่ได้รับอนุญาต เป็นสาเหตุของการละเมิด 18% การควบคุมการเข้าถึงที่ไม่ดี การใช้งานในทางที่ผิดโดยพนักงาน และข้อผิดพลาดส่งผิดผู้รับล้วนนับรวม

เหตุการณ์จากบุคคลที่สาม คิดเป็น 35% ของการละเมิดปี 2024 ความล้มเหลวเริ่มต้นจากคู่ค้าทางธุรกิจ ไม่ใช่หน่วยงานที่ครอบคลุม Change Healthcare (หน่วยงานของ UnitedHealth Group) เพียงรายเดียวเปิดเผยบันทึกผู้ป่วยมากกว่า 190 ล้านรายการ นั่นคือการละเมิดข้อมูลสุขภาพในสหรัฐฯ ที่ใหญ่ที่สุดที่เคยมี

การโจรกรรมหรือสูญเสียสื่อพกพา เป็นสาเหตุของการละเมิด 8% แล็ปท็อป USB ไดรฟ์ และบันทึกกระดาษที่สูญหายหรือถูกขโมยโดยไม่มีการเข้ารหัส

PHI 18 ประเภทภายใต้ Safe Harbor

วิธี Safe Harbor ของ HIPAA (45 CFR §164.514(b)) กำหนดให้ลบข้อมูลผู้ป่วย 18 ประเภท ทีมส่วนใหญ่รู้รายการนี้ สิ่งที่ยากคือการตรวจจับในระดับขนาดใหญ่

  1. ชื่อ — ผู้ป่วย สมาชิกในครอบครัว นายจ้าง
  2. ข้อมูลทางภูมิศาสตร์ — พื้นที่ใดก็ตามที่เล็กกว่าระดับรัฐ
  3. วันที่ — รับเข้า จำหน่าย เกิด เสียชีวิต (อาจเก็บปีไว้)
  4. หมายเลขโทรศัพท์
  5. หมายเลขโทรสาร
  6. ที่อยู่อีเมล
  7. หมายเลขประกันสังคม
  8. หมายเลขบันทึกทางการแพทย์ (รูปแบบแตกต่างตามระบบ EHR)
  9. หมายเลขสมาชิกแผนสุขภาพ
  10. หมายเลขบัญชี
  11. หมายเลขใบรับรองและใบอนุญาต — ทางการแพทย์ DEA รัฐ
  12. ตัวระบุยานพาหนะ — VIN และหมายเลขทะเบียน
  13. ตัวระบุอุปกรณ์ — หมายเลขซีเรียลและรหัสอุปกรณ์เฉพาะ
  14. URL เว็บ
  15. ที่อยู่ IP
  16. ข้อมูลชีวมาตร — ลายนิ้วมือและลายเสียง
  17. ภาพถ่ายใบหน้าเต็มและภาพที่คล้ายกัน
  18. ID รหัส หรือลักษณะเฉพาะอื่นใด

ประเภทที่ 18 ยากที่สุดในการตรวจจับ รหัสใดก็ตามที่เชื่อมโยงบันทึกกับผู้ป่วยเฉพาะรายต้องถูกลบ แม้จะไม่มีรูปแบบที่กำหนดไว้

สำหรับคู่มือทีละขั้นตอนในการลบ 18 ประเภทจากบันทึกทางคลินิก ดู HIPAA Safe Harbor การระบุตัวตนสำหรับการวิจัยสุขภาพ

กฎใหม่ 5 ข้อในการอัปเดตความปลอดภัยที่เสนอ

การอัปเดตกฎความปลอดภัย HIPAA ที่เสนอ (มีนาคม 2025) เพิ่มหน้าที่ห้าประการ

การตรวจสอบการเข้ารหัสประจำปี: หน่วยงานที่ครอบคลุมต้องยืนยันว่าข้อมูลผู้ป่วยทั้งหมดที่จัดเก็บใช้ AES-256 หรือเทียบเท่า การจัดการกุญแจต้องตรงตามมาตรฐานที่เป็นลายลักษณ์อักษร

ขั้นตอนการระบุตัวตนที่เป็นลายลักษณ์อักษร: ข้อมูลผู้ป่วยที่ใช้ในการวิจัย การฝึก AI หรือการวิเคราะห์ต้องมีขั้นตอนที่เป็นลายลักษณ์อักษร บันทึกนโยบายไม่เพียงพอ ต้องมีบันทึกทางเทคนิคพร้อมหลักฐานการตรวจสอบ

การตรวจสอบความปลอดภัยคู่ค้าทางธุรกิจ: คู่ค้าทางธุรกิจต้องผ่านการตรวจสอบทางเทคนิคเฉพาะก่อนเริ่มงาน เดิมสัญญาจัดการเรื่องนี้โดยไม่มีรายละเอียดทางเทคนิค

การยืนยันตัวตนหลายปัจจัย (MFA): เจ้าหน้าที่ทุกคนที่เข้าถึงข้อมูลผู้ป่วยอิเล็กทรอนิกส์ต้องใช้ MFA ระบบเก่าไม่ได้รับการยกเว้น

การทดสอบการตอบสนองต่อเหตุการณ์: ต้องมีการซ้อมและทดสอบทางเทคนิคประจำปี ทีมต้องเก็บบันทึกผลลัพธ์

บทเรียนจาก Change Healthcare

การละเมิด Change Healthcare (กุมภาพันธ์ 2024) แสดงให้เห็นว่าความเสี่ยงเชิงระบบมีลักษณะอย่างไร Change Healthcare ดูแลธุรกรรม 15,000 ล้านรายการต่อปี เชื่อมต่อผู้ให้บริการ ผู้จ่ายเงิน และร้านขายยาในฐานะศูนย์ชำระบัญชี

การละเมิดเริ่มจากบัญชีการเข้าถึงระยะไกลหนึ่งบัญชี บัญชีนั้นไม่มี MFA ผู้โจมตีเคลื่อนไหวผ่านเครือข่ายเป็นเวลาเก้าวัน จากนั้นจึงปล่อยแรนซัมแวร์

บทเรียนชัดเจน คู่ค้าทางธุรกิจที่มีการเข้าถึงธุรกรรมสุขภาพในวงกว้างเป็นความเสี่ยงสำหรับทุกคู่ค้าที่เกี่ยวข้อง กรอบเดิมไม่ได้สร้างขึ้นสำหรับผู้ให้บริการที่ดูแลธุรกรรมสุขภาพของสหรัฐฯ หนึ่งในสาม

MFA การแบ่งส่วนเครือข่าย และการตรวจสอบคู่ค้าทางธุรกิจในกฎที่เสนอล้วนสืบต้นตอมาจากเหตุการณ์นี้

สำหรับการลบ PHI จากรูปแบบบันทึกเฉพาะโรงพยาบาล ดู การตรวจจับ HIPAA MRN และรูปแบบเฉพาะโรงพยาบาล สำหรับการออกแบบ zero-knowledge ที่ป้องกันข้อมูลผู้ป่วยออกจากเครือข่าย ดู HIPAA-compliant cloud PHI และการออกแบบ zero-knowledge

แหล่งที่มา

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.